Deskriptiv teori i flere dimensioner
|
|
- Torben Rasmussen
- 6 år siden
- Visninger:
Transkript
1 Kapitel 17 Deskriptiv teori i flere dimensioner I kapitel 13 og 14 udviklede vi en række deskriptive værktøjer til at beskrive sandsynlighedsmål på (R, B) Vi vil i dette kapitel forsøge at udvikle varianter af disse værktøjer, der er egnede til at beskrive sandsynlighedsmål på (R n,b n ) Lad os fra starten advare mod for stor tiltro til projektet: mål på flerdimensionale rum er notorisk svære at sige noget begavet om, og det er svært at opsummere hvilke ligheder og forskelle to konkrete mål har 171 Flerdimensionale fordelingsfunktioner Definition 171 Ladνvære et sandsynlighedsmål på (R n,b n ) Fordelingsfunktionen forνer funktionen F :R n R givet ved F ( x 1,, x n ) =ν ( (, x1 ] (, x n ] ), (x 1,, x n ) R n Indholdet af denne definition er illustreret på figur 171 For n = 1 stemmer definitionen overens med definition 141 Og som i én dimension gælder generelt at fordelingsfunktionen entydigt fastlægger sandsynlighedsmålet 344
2 171 Flerdimensionale fordelingsfunktioner 345 (x, y) Figur 171: Hvisνer et sandsynlighedsmål pår 2, med tilhørende fordelingsfunktion F, så er F s værdi i punktet (x, y)ν-målet af det skraverede område Sætning 172 Et sandsynlighedsmål på (R n,b n ) er entydigt bestemt ved sin fordelingsfunktion BEVIS: Hvis to sandsynlighedsmålν 1 ogν 2 på (R n,b n ) har samme fordelingsfunktion, så stemmer de overens på alle mængder af formen (, x 1 ] (, x n ], (x 1,, x n ) R n Man kan (med et vist besvær) vise at disse mængder udgør et fællesmængdestabilt frembringersystem forb n Og dermed følger sætningen af entydighedssætningen for sandsynlighedsmål En af de nyttige egenskaber ved fordelingsfunktioner på R er at de muliggør en effektiv tabellering af et sandsynlighedsmål Noget lignende gør sig ikke rigtig gældende i flere dimensioner Dels selvfølgelig fordi det er svært at tabellere funktioner af flere variable Men også fordi det er svært at udtrykke sandsynligheden af konkrete mængder ud fra fordelingsfunktionen Eksempel 173 Lad F være fordelingsfunktion for et sandsynlighedsmål ν på (R 2,B 2 ) Lad A=(a 1, b 1 ] (a 2, b 2 ] være en standardkasse, altså et produkt af to standardintervaller Vi ser at F(b 1, y) F(a 1, y)=ν ( (a 1, b 1 ] (, y] ),
3 346 Kapitel 17 Deskriptiv teori i flere dimensioner for alle y R, og dermed at (F(b 1, b 2 ) F(a 1, b 2 )) (F(b 1, a 2 ) F(a 1, a 2 ))=ν ( (a 1, b 1 ] (a 2, b 2 ] ) Det er altså lykkedes os at udtrykkeν(a) ved hjælp af fordelingsfunktionen forν, om end formlen ikke er særligt smuk Man kan helt generelt udtrykke sandsynligheden af en standardkasse i vilkårlig dimension ud fra sandsynlighedsmålets fordelingsfunktion ved følgende uskønne inklusion/eksklusions-formel: ν ( (a 1, b 1 ] (a n, b n ] ) = ( 1) K F(d1 K,,dK n ), (171) K {1,,n} hvor K betegner antallet af elementer i K, og hvor di K a i hvis i K, = hvis i K b i Højre side af (171) kaldes F s tilvækst over kassen (a 1, b 1 ] (a n, b n ] I én dimension ved vi at fordelingsfunktioner er voksende Den analoge egenskab for en flerdimensional fordelingsfunktion, er at den har en ikke-negativ tilvækst over enhver standardkasse Denne egenskab er så uigennemskuelig, at fordelingsfunktioner som begreb betragtet mister det meste af sin umiddelbare appel Men egenskaben har dog forståelige konsekvenser I to dimensioner følger det således at x F(x, y) er voksende for hvert fastholdt y og at y F(x, y) er voksende for hvert fastholdt x - vi siger at F er voksende på akseparallelle liniestykker Tilsvarende bliver kontinuitetsegenskaberne for flerdimensionale fordelingsfunktioner så komplicerede at selve kontinuitetsbegrebet taber betydning En flerdimensional fordelingsfunktion F er ganske vist altid højrekontinuert, med den rigtige definition af dette begreb Feks vil lim F(x 1,, x i 1, x i m, x i+1,, x n ) F(x 1,, x i 1, x i, x i+1,, x n ), m hvis x i m ց x i for m, en egenskab vi kunne kalde akseparallel højrekontinuitet Men en diskontinuitet kan ikke længere fortolkes som en punkt med positiv masse - der kan være mange andre grunde til at højrekontinuiteten ikke bliver til rigtig kontinuitet Og det er heller ikke muligt at sige at der højst er tælleligt mange diskontinuitetspunkter
4 171 Flerdimensionale fordelingsfunktioner 347 Sætning 174 Lad X 1,, X n være reelle stokastiske variable, defineret på (Ω,F, P) Lad F være fordelingsfunktionen for den simultane fordeling af (X 1,, X n ) Fordelingsfunktionen for X 1 er da G(x)= lim F(x, m,,m) m BEVIS: Lad x R På grund af sandsynlighedsmåls kontinuitetsegenskaber er G(x)=P(X 1 x)= lim m P(X 1 x, X 2 m,, X n m) = lim m F(x, m,,m), præcis som ønsket Sætning 175 Lad X 1,, X n være uafhængige reelle stokastiske variable, defineret på (Ω,F, P) Lad F i være den etdimensionale fordelingsfunktionen for X i, F i (x)=p(x i x) for,,n Fordelingsfunktionen F for den simultane fordeling af (X 1,, X n ) er da F(x 1,, x n )= n F i (x i ) BEVIS: For x 1,, x n R er F(x 1,, x n )=P(X 1 x 1,, X n x n )= n P(X i x i )= n F i (x i ), præcis som ønsket Eksempel 176 Gumbels todimensionale eksponentialfordeling med parameter θ [0, 1] har fordelingsfunktion F(x 1, x 2 )=1 e x 1 e x 2 + e (x 1+x 2 +θx 1 x 2 ) for x 1 > 0, x 2 > 0 (172)
5 348 Kapitel 17 Deskriptiv teori i flere dimensioner Det kan vises at dette virkelig er fordelingsfunktionen for et sandsynlighedsmål i planen Vi ser at lim x 2 F(x 1, x 2 )=1 e x 1 for x 1 > 0, uanset værdien af θ, og dette genkendes som fordelingsfunktionen for den sædvanlige eksponentialfordeling Hvis (X 1, X 2 ) har fordelingsfunktion (172), så er X 1 - og tilsvarende X 2 - altså standard eksponentialfordelte Produktet af de to etdimensionale fordelingsfunktioner er (1 e x 1 )(1 e x 2 )=1 e x 1 e x 2 + e (x 1+x 2 ) for x 1 > 0, x 2 > 0 Hvisθ>0 er dette produkt forskelligt fra (172), og derfor må X 1 og X 2 være afhængige Hvis θ = 0 er Gumbels fordelingsfunktion produktet af to fordelingsfunktioner for eksponentialfordelinger, og derfor vil X 1 og X 2 i denne situation være uafhængige 172 Kovarians Når man snakker om kovarianser, og mere generelt om flerdimensionale momenter, så er ideen at integrere visse polynomier af flere variable Definition 177 Lad X og Y være reelle stokastiske variable, defineret på (Ω, F, P), og antag at begge variable har 1 moment Den sammenbundtede variabel (X, Y) har kovarians hvis produktet XY har 1 moment I bekræftende fald er kovariansen mellem X og Y givet ved Cov(X, Y)=E ( (X EX)(Y EY) ) (173) Bemærk at (X EX)(Y EY)= X Y X EY Y EX+EX EY (174) Når X og Y begge har 1 moment, ser vi heraf at XY har 1 moment hvis og kun hvis produktet af de centrerede variable, (X EX)(Y EY), har 1 moment Så definition 177 giver god mening Integreres led for led i (174) ser vi endvidere at Cov(X, Y)=EXY EX EY EX EY+ EX EY= EXY EX EY (175)
6 172 Kovarians 349 Sætning 178 Lad X og Y være reelle stokastiske variable, defineret på (Ω, F, P) Hvis X og Y begge har 2 moment, så har (X, Y) kovarians BEVIS: Bemærk at X og Y begge har 1 moment Der gælder at 0 ( X Y ) 2 = X 2 + Y 2 2 X Y, så vi ser at X Y X2 + Y 2 2 Det følger heraf at X Y har 1 moment Vi bemærker at hvis X har 2 moment, så har (X, X) kovarians, og Cov(X, X)=VX Sætning 179 Lad X og Y være reelle stokastiske variable, defineret på (Ω, F, P) Hvis X og Y er uafhængige, og begge har 1 moment, så har X Y 1 moment, og Specielt har (X, Y) kovarians, og Cov(X, Y) = 0 EX Y= EX EY (176) BEVIS: Vi skal bruge to varianter af samme argument, dels til at vise at X Y har 1 moment, og dels til at finde dette moment Vi koncentrerer os om den første variant Integraltransformationsformlen giver at X Y dp= x y d(x, Y)(P)(x, y)= x y dx(p) Y(P)(x, y) Ved hjælp af Tonellis sætning kan vi nu få at X Y dp= x y dy(p)(y) dx(p)(x) Regner vi på det inderste integral, kan vi sætte x ud, og får ved hjælp af integraltransformationsformlen at y dy(p)(y) = Y dp=e Y
7 350 Kapitel 17 Deskriptiv teori i flere dimensioner Hermed ser vi at X Y dp=e Y x dx(p)(x)=e X E Y < Altså har X Y 1 moment Hvis vi gennemfører regningerne en gang til, uden numerisktegn denne gang, og med referencen til Tonellis sætning erstattet af en reference til Fubinis sætning, så opnår vi (176) At kovariansen er nul, følger ved indsættelse i (175) Hvis Cov(X, Y)=0 siger vi at X og Y er ukorrelerede Resultatet ovenfor formuleres ofte på den måde at uafhængige variable er ukorrelerede Vi ser således at en numerisk stor kovarians mellem X og Y er et sikkert tegn på afhængighed Det findes dog visse former for afhængighed, som kovariansen ikke kan opdage Eksempel 1710 Lad X være ligefordelt på (0, 1), og lad Y= X(1 X) Da er X og Y meget kraftigt afhængige - Y er deterministisk, hvis man kender X Alligevel ser vi at Cov(X, Y)=E(X 2 (1 X)) EX E(X X 2 )= ( ) = 0, 3 så X og Y er ukorrelerede Vi bemærker at sammenhængen mellem X og Y er kraftigt ikke-lineær Lemma 1711 Lad X og Y være reelle stokastiske variable, defineret på (Ω, F, P) Hvis (X, Y) har kovarians, så er Endvidere gælder for alle α, β R at Cov(X, Y) = Cov(Y, X) (177) Cov(α+β X, Y)=βCov(X, Y) (178) BEVIS: Det er klart at udtrykket E ( (X EX)(Y EY) ) er symmetrisk i X og Y, så (177) følger Hvad angår (178), skal vi centrere den nye X-variabel, og får (α+β X) E(α+β X)=α+β X α βex=β(x EX) Nu følger (178) nemt
8 172 Kovarians 351 Vi kan naturligvis kombinere (178) med (177) og opnå at Cov(α 1 +β 1 X 1,α 2 +β 2 X 2 )=β 1 β 2 Cov(X 1, X 2 ) (179) Lemma 1712 Lad X, Y og Z være reelle stokastiske variable, defineret på (Ω, F, P) Hvis både (X, Z) og (Y, Z) har kovarians, så har (X+ Y, Z) kovarians og Cov(X+ Y, Z)=Cov(X, Z)+Cov(Y, Z) (1710) BEVIS: Vi ser at produktet af de centrerede variable er ((X+ Y) E(X+ Y)) (Z EZ) = (X EX)(Z EZ)+(Y EY)(Z EZ) De ønskede resultater følger nu ved integration Lemma 1713 Lad X og Y være reelle stokastiske variable, defineret på (Ω,F, P) Hvis X har 2 moment, så er Cov(X, X)=VX (1711) Hvis både X og Y har 2 moment, så er V(X+ Y)=VX+ VY+ 2Cov(X, Y) (1712) Hvis X og Y er uafhængige og har 2 moment, gælder der at V(X+ Y)=VX+ VY (1713) BEVIS: Vi har allerede set at (1711) er en triviel konsekvens af (175) Og nu ser vi at V(X+ Y)=Cov(X+ Y, X+ Y) = Cov(X, X)+Cov(X, Y)+Cov(Y, X)+Cov(Y, Y) = VX+ VY+ 2Cov(X, Y) Formel (1713) følger nu direkte, når man husker at uafhængige variable er ukorrelerede
9 352 Kapitel 17 Deskriptiv teori i flere dimensioner Eksempel 1714 Lad (X 1, X 2, X 3 ) være polynomialfordelt med længde n og sandsynlighedsparameter (p 1, p 2, p 3 ) Da er Cov(X 1, X 2 )= n p 1 p 2 Bemærkningerne efter lemma 1611 fortæller nemlig at de tre variable X 1, X 2 og X 1 + X 2 alle er binomialfordelte med længde n og successandsynlighed henholdsvis p 1, p 2 og p 1 + p 2 Dermed giver (1712) i kombination med eksempel 1317, at Cov(X 1, X 2 )= 1 ( ) V(X1 + X 2 ) VX 1 VX 2 2 = n ( (p1 + p 2 )(1 p 1 p 2 ) p 1 (1 p 1 ) p 2 (1 p 2 ) ) 2 = n p 1 p 2 Hvis (X 1,, X N ) er polynomialfordelt med længde n og sandsynlighedsparameter (p 1,, p N ) giver helt tilsvarende regninger at for i j er Cov(X i, X j )= n p i p j (1714) Vi konstaterer altså at variablene i en polynomialfordeling er afhængige - fortegnet i (1714) betyder at hvis X i er stor, så vil X j typisk være lille etc Vi siger at X i og X j er negativt korrelerede Det er ikke særligt mystisk: vi ved jo at X 1 ++ X N = n, så hvis én af variablene er større end forventet, må det kompenseres af at andre er mindre end forventet 173 Store tals lov Definition 1715 En følge X 1, X 2, af stokastiske variable siges at konvergere i P sandsynlighed mod en konstantξ, skrevet X n ξ, hvis det for alleǫ> 0 gælder at P ( X n ξ >ǫ) 0 for n (1715) Konvergens i sandsynlighed betyder at fordelingen af X n bliver mere og mere koncentreret omξ Hvis vi for et fast p (0, 1) lader x n være p-fraktilen for fordelingen af X n, vil der således gælde at x n ξfor n, uanset hvor ekstremt et p vi har fat på
10 173 Store tals lov 353 Lemma 1716 Lad Y 1, Y 2, være en følge af reelle stokastiske variable med 2 moment Hvis EY n =ξfor alle n, og VY n 0 for n, så vil Y n P ξ BEVIS: Ladǫ> 0 være givet Ifølge Chebyshevs ulighed vil P( Y n ξ >ǫ) VY n ǫ 2, og denne øvre grænse konvergerer tydeligvis mod nul Sætning 1717 (Store tals lov) Lad X 1,, X n være uafhængige, identisk fordelte reelle stokastiske variable med middelværdiξog variansσ 2 Da vil 1 n P X i ξ (1716) BEVIS: Vi ser at E 1 n X i = 1 n EX i =ξ for alle n Uafhængigheden mellem variablene sikrer endvidere at V 1 n X i = 1 n 2 VX i = nσ2 n 2 = σ2 n Resultatet følger nu af lemma 1716 Ud fra store tals lov kan vi gøre rede for at den frekventistiske holdning til sandsynlighedsregning er selvkonsistent Lad X 1, X 2, være uafhængige, identisk fordelte
11 354 Kapitel 17 Deskriptiv teori i flere dimensioner reelle variable med fordeling ν, svarende til uafhængige replikationer af et eksperiment, der beskrives afν Den empiriske frekvens af en hændelse A Ber 1 n 1 A (X i ) Det er en stokastisk variabel, som ifølge store tals lov konvergerer i sandsynlighed mod grænseværdien ν(a) Så der vil altså være meget stor sandsynlighed for at den empiriske frekvens af hændelsen A ligger tæt påν(a), i hvert fald hvis n er stor 174 Korrelation Lemma 1718 (Cauchy-Schwarz ulighed) Lad X og Y være reelle stokastiske variable, defineret på (Ω,F, P) Hvis både X og Y har 2 moment, er ( EXY ) 2 EX 2 EY 2 (1717) BEVIS: For alle t Rer 0 E ( (X+ ty) 2) = EY 2 t EXY t+ex 2 Et vist andengradspolynomium i t er altså ikke-negativt Men et andengradspolynomium kan kun være ikke-negativt hvis diskriminanten er ikke-positiv Altså må ( 2EXY ) 2 4 EX 2 EY 2 0, hvilket præcis er (1717) Bruges Cauchy-Schwarz ulighed på variablene X EX og Y EY, fås at Cov(X, Y) 2 VX VY (1718) Dette leder os naturligt til indførelse af en standardiseret kovarians
12 174 Korrelation 355 Definition 1719 Lad X og Y være reelle stokastiske variable, defineret på (Ω, F, P) Hvis X og Y er ikke-udartede og har 2 moment, defineres korrelationen mellem dem som Cov(X, Y) corr(x, Y)= VX VY Korrelationen er et udtryk for det samme som kovariansen Men denne gang måler vi det på en skala bestemt af variabiliteten af de to variable, og derfor er den faktiske værdi af korrelationen i et vist omfang fortolkelig Bemærk at (1718) medfører at 1 corr(x, Y) 1 Bemærk også at corr(x, X)=1 Lemma 1720 Lad X og Y være reelle stokastiske variable, defineret på (Ω,F, P) Antag at X og Y er ikke-udartede og har 2 moment Da gælder at og For alleα R,β>0 gælder endvidere at corr(x, Y) = corr(y, X), (1719) corr(x, Y) = corr(x, Y) (1720) corr(α+βx, Y)=corr(X, Y) (1721) BEVIS: Formel (1719) og (1720) er direkte udtryk for kovariansens symmetri og linearitet Også (1721) følger af kovariansens linearitet: corr(α+βx, Y)= = Cov(α+βX, Y) V(α+βX) VY = Cov(X, Y) VX VY = corr(x, Y) βcov(x, Y) β 2 VX VY
13 356 Kapitel 17 Deskriptiv teori i flere dimensioner Vi observerer at forβ>0 er corr(x,α+βx)=corr(x, X)=1 Tilsvarende ser vi at forβ<0er corr(x,α+βx)= 1 Sætning 1721 Lad X og Y være reelle stokastiske variable, defineret på (Ω, F, P) Antag at X og Y er ikke-udartede og har 2 moment Hvis corr(x, Y)=1 eller corr(x, Y)= 1 så findesα,β R så Y=α+βX P-næsten sikkert BEVIS: Lad os først antage at korrelationen er 1 Vi indfører de standardiserede variable X= X EX Y EY, Ỹ=, VX VY der har middelværdi 0 og varians 1 De standardiserede variable er blot en affin transformation af de oprindelige variable, så E X Ỹ= Cov( X, Ỹ)=corr( X, Ỹ)=corr(X, Y) Vi kan altså slutte at E X Ỹ= 1 Så gælder der at E( X Ỹ) 2 = E X 2 + EỸ 2 2E X Ỹ= 1+1 2=0 Da ( X Ỹ) 2 0, kan dette kun lade sig gøre hvis integranden er nul næsten sikkert, dvs hvis X= Ỹ næsten sikkert Men i så fald har vi med sandsynlighed 1 at Y= VYỸ+ EY= VY VY VY X+EY= VX X+ EY VX EX Altså er Y en affin transformation af X Hvis corr(x, Y)= 1, så er corr( X, Y)=1, og vi har derfor lige vist at Y=α βx P-ns for passendeαogβ Med denne sætning in mente, er det almindeligt at korrelationer tæt ved±1 fortolkes som næsten lineær afhængighed, og mere generelt siger man at korrelation måler
14 175 Flerdimensionale momenter 357 den lineære afhængighed mellem to variable, skønt begrebet ikke kan gives præcis mening Eksempel 1722 Hvis (X 1,, X N ) er polynomialfordelt med længde n og sandsynlighedsparameter (p 1,, p N ), så følger det af eksempel 1714 at for i j er n p i p j corr(x i, X j )= n pi (1 p i ) n p j (1 p j ) = p i p j (1 p i ) (1 p j ) 175 Flerdimensionale momenter Definition 1723 Lad X 1,, X n være reelle stokastiske variable, defineret på et fælles baggrundsrum (Ω,F, P) Hvis alle variablene har 1 moment, så siger vi at den sammenbundtede variabel X= (X 1,, X n ) har 1 moment, og vi indfører middelværdien af X somr n -vektoren EX 1 EX= EX n Tilsvarende, hvis alle variablene X 1,, X n har 2 moment, så siger vi at X har 2 moment, og vi indfører variansen af X som n n matricen VX 1 Cov(X 1, X 2 ) Cov(X 1, X n ) Cov(X VX= 2, X 1 ) VX 2 Cov(X 2, X n ) Cov(X n, X 1 ) Cov(X n, X 2 ) VX n Vi konstaterer at V X er en symmetrisk n n matrix Den kaldes også variansmatricen, eller kovariansmatricen
15 358 Kapitel 17 Deskriptiv teori i flere dimensioner Eksempel 1724 Hvis X = (X 1,, X N ) er polynomialfordelt med længde n og sandsynlighedsparameter (p 1,, p N ), så følger det af eksempel 1714 at X har både middelværdi og varians Vi ser at middelværdien er p 1 mens variansmatricen er EX= n p 2 p n p 1 (1 p 1 ) p 1 p 2 p 1 p n VX= n p 2 p 1 p 2 (1 p 2 ) p 2 p n p n p 1 p n p 2 p n (1 p n ) Som man ser af eksempel 1724, er flerdimensionale middelværdier og varianser blot et værktøj til at hjælpe med bogholderiet over de forskellige parvise kovarianser Men det er et nyttigt værktøj, blandt andet fordi det passer så fint sammen med lineære transformationer, som vi skal se I forbindelse med lineær algebra kan det være nødvendigt at sondre mellem rækkevektorer og søjlevektorer Vi vil da insistere på at en sammenbundtning af n reelle variable altid skal opfattes som en søjle Uheldigvis fylder søjler meget i trykt form, og derfor skriver man ofte x=(x 1,, x n ) T når man mener at x er en n-søjle Vi skriver altså x som en række, der transponeres Sætning 1725 Lad X= (X 1,, X n ) T være en stokastisk variabel med værdier ir n, defineret på (Ω,F, P) Lad a R k være en vektor, lad B være en k n matrix, og sæt Y= a+ BX Hvis X har 1 moment, så har Y 1 moment, og Hvis X har 2 moment, så har Y 2 moment, og EY= a+ B EX (1722) VY= B VX B T (1723)
16 175 Flerdimensionale momenter 359 BEVIS: Lad a= a 1 a 2 a m, B= b 11 b 12 b 1n b 21 b 22 b 2n b m1 b m2 b mn Definitionen på Y = (Y 1,,Y m ) T er da simpelthen en kompakt måde at skrive m forskellige variable på: Y i = a i + b i j X j,,,m j=1 Det følger af lemma 1310 at hvis X j erne alle har k te moment, så har Y i også k te moment Hvis 1 momenterne eksisterer, ser vi at EY i = a i + b i j EX j = ( a+ B EX) i,,,m j=1 Tilsvarende, hvis 2 momenterne eksisterer, ser vi at Cov(Y i, Y k )=Cov a i+ b i j X j, a k + = j=1 l=1 j=1 l=1 b k l X l b i j b k l Cov(X j, X l )= ( B VX B T ) ik Vi husker at variansen for en reel stokastisk variabel er ikke-negativ, og faktisk er strengt positiv medmindre variablen er konstant Noget lignende gælder for flerdimensionale variable, hvor begrebet positivt semidefinit matrix (se p 594 for en definition) er den relevante generalisering af et ikke-negativt reelt tal: Sætning 1726 Lad X= (X 1,, X n ) T være en stokastisk variabel med værdier ir n, defineret på (Ω, F, P) Hvis X har 2 moment, så er V X positivt semidefinit Faktisk er VX positivt definit, medmindre der findes en ikke-triviel linearkombination af X 1,, X n der er konstant
17 360 Kapitel 17 Deskriptiv teori i flere dimensioner BEVIS: Lad x R n være en søjlevektor, altså en n 1 matrix Betragt den lineære afbildningr n R givet ved y x T y Sæt Z=x T X Det følger af sætning 1725, at Z har 2 moment Men Z er en reel variabel, så variansen er blot et tal - endda et ikke-negativt tal Derfor har vi ifølge (1723) 0 VZ=x T VX (x T ) T = x T VX x, og vi kan nu slutte at VX er positivt semidefinit Antag at VX ikke er positivt definit Der findes da et x R n, så x 0 og så x T VX x= 0 Ifølge (1723) har Z=x T X da varians 0, dvs Z er en konstant stokastisk variabel Og Z er netop en ikke-triviel linearkombination af X i erne 176 Flerdimensionale karakteristiske funktioner Definition 1727 Ladνvære et sandsynlighedsmål på (R n,b n ) Den karakteristiske funktion forνer funktionenφ:r n C givet som φ(θ)= e iθt x dν(x) for θ R n (1724) Vi tænker pår n som bestående af søjlevektorer, ikke rækkevektorer, og størrelsen θ T x i eksponenten af (1724) er derfor et reelt tal For n=1 stemmer denne definition naturligvis overens med definition 156 Hvis X= (X 1,, X n ) T er en stokastisk variabel med værdier ir n, taler man ofte om X s karakteristiske funktion når man i virkeligheden mener den karakteristiske funktion for X s fordeling Den definerende formel er altså φ(θ)= e iθt x dx(p)(x)= e iθt X dp, hvor sidste udtryk fremkommer ved hjælp af integraltransformationssætningen For at få disse formler til at give mening er det vigtigt at vi tænker på X som en stokastisk søjlevektor, ikke som en rækkevektor
Deskriptiv teori i flere dimensioner
Kapitel 17 Deskriptiv teori i flere dimensioner I kapitel 13 og 14 udviklede vi en række deskriptive værktøjer til at beskrive sandsynlighedsmål på (R, B). Vi vil i dette kapitel forsøge at udvikle varianter
Læs mereElementær sandsynlighedsregning
Elementær sandsynlighedsregning Sandsynlighedsbegrebet Et udfaldsrum S er mængden af alle de mulige udfald af et eksperiment. En hændelse A er en delmængde af udfaldsrummet S. Den hændelse, der ikke indeholder
Læs merestandard normalfordelingen på R 2.
Standard normalfordelingen på R 2 Lad f (x, y) = 1 x 2 +y 2 2π e 2. Vi har så f (x, y) = 1 2π e x2 2 1 2π e y2 2, og ved Tonelli f dm 2 = 1. Ved µ(a) = A f dm 2 defineres et sandsynlighedsmål på R 2 målet
Læs mereMomenter som deskriptive størrelser. Hvad vi mangler fra onsdag. Momenter for sandsynlighedsmål
Hvad vi mangler fra onsdag Momenter som deskriptive størrelser Sandsynlighedsmål er komplicerede objekter de tildeler numeriske værdier til alle hændelser i en σ-algebra. Vi har behov for simplere, deskriptive
Læs mereHvad vi mangler fra onsdag. Vi starter med at gennemgå slides fra onsdag.
Hvad vi mangler fra onsdag Vi starter med at gennemgå slides 34-38 fra onsdag. Slide 1/17 Niels Richard Hansen MI forelæsninger 6. December, 2013 Momenter som deskriptive størrelser Sandsynlighedsmål er
Læs mereElementær sandsynlighedsregning
Elementær sandsynlighedsregning Sandsynlighedsbegrebet Et udfaldsrum S er mængden af alle de mulige udfald af et eksperiment. En hændelse A er en delmængde af udfaldsrummet S. Et sandsynlighedsmål er en
Læs mereEksamen 2014/2015 Mål- og integralteori
Eksamen 4/5 Mål- og integralteori Københavns Universitet Institut for Matematiske Fag Formalia Eksamensopgaven består af 4 opgaver med ialt spørgsmål Ved bedømmelsen indgår de spørgsmål med samme vægt
Læs mereReeksamen 2014/2015 Mål- og integralteori
Reeksamen 4/5 Mål- og integralteori Københavns Universitet Institut for Matematiske Fag Formalia Eksamensopgaven består af 4 opgaver med ialt spørgsmål. Ved bedømmelsen indgår de spørgsmål med samme vægt.
Læs mereINSTITUT FOR MATEMATISKE FAG c
INSTITUT FOR MATEMATISKE FAG c AALBORG UNIVERSITET FREDRIK BAJERS VEJ 7 G 9220 AALBORG ØST Tlf.: 96 35 89 27 URL: www.math.aau.dk Fax: 98 15 81 29 E-mail: bjh@math.aau.dk Dataanalyse Sandsynlighed og stokastiske
Læs mereStatistik og Sandsynlighedsregning 2
Statistik og Sandsynlighedsregning 2 Lineære transformationer, middelværdi og varians Helle Sørensen Uge 8, onsdag SaSt2 (Uge 8, onsdag) Lineære transf. og middelværdi 1 / 15 Program I formiddag: Fordeling
Læs mereStatistik og Sandsynlighedsregning 2
Statistik og Sandsynlighedsregning 2 Middelværdi og varians Helle Sørensen Uge 6, onsdag SaSt2 (Uge 6, onsdag) Middelværdi og varians 1 / 18 Program I formiddag: Tætheder og fordelingsfunktioner kort resume
Læs mereAntag X 1, X 2,..., X n er n uafhængige stokastiske variable, hvor Var(X 1 )=σ 2 1,..., Var(X n )=σ 2 n.
Simple fejlforplantningslov Landmålingens fejlteori Lektion 6 Den generelle fejlforplantningslov Antag X, X,, X n er n uafhængige stokastiske variable, hvor Var(X )σ,, Var(X n )σ n Lad Y g(x, X,, X n ),
Læs mereProgram. Statistik og Sandsynlighedsregning 2 Middelværdi og varians. Eksempler fra sidst. Sandsynlighedstæthed og sandsynlighedsmål
Program Statistik og Sandsynlighedsregning 2 Middelværdi og varians Helle Sørensen Uge 6, onsdag I formiddag: Tætheder og fordelingsfunktioner kort resume fra i mandags og et par eksempler mere om sammenhængen
Læs mereKvantitative Metoder 1 - Forår Dagens program
Dagens program Kontinuerte fordelinger Simultane fordelinger Kovarians og korrelation Uafhængighed Betingede fordelinger - Middelværdi og varians - Sammenhæng med uafhængighed 1 Figur 1: En tæthedsfunktion
Læs mereTaylors formel. Kapitel Klassiske sætninger i en dimension
Kapitel 3 Taylors formel 3.1 Klassiske sætninger i en dimension Sætning 3.1 (Rolles sætning) Lad f : [a, b] R være kontinuert, og antag at f er differentiabel i det åbne interval (a, b). Hvis f (a) = f
Læs mereEt eksempel på en todimensional normalfordeling Anders Milhøj September 2006
Et eksempel på en todimensional normalfordeling Anders Milhøj September 006 I dette notat gennemgås et eksempel, der illustrerer den todimensionale normalfordelings egenskaber. Notatet lægger sig op af
Læs mereSusanne Ditlevsen Institut for Matematiske Fag susanne
Statistik og Sandsynlighedsregning 1 Repetition MS kapitel 1 3 Susanne Ditlevsen Institut for Matematiske Fag Email: susanne@math.ku.dk http://math.ku.dk/ susanne Hvad er sandsynlighed? - beskriver systemer
Læs merehvor a og b er konstanter. Ved middelværdidannelse fås videre
Uge 3 Teoretisk Statistik. marts 004. Korrelation og uafhængighed, repetition. Eksempel fra sidste gang (uge ) 3. Middelværdivektor, kovarians- og korrelationsmatrix 4. Summer af stokastiske variable 5.Den
Læs mereSupplement til kapitel 4 Om sandsynlighedsmodeller for flere stokastiske variable
IMM, 00--6 Poul Thyregod Supplement til kapitel 4 Om sandsynlighedsmodeller for flere stokastiske variable Todimensionale stokastiske variable Lærebogens afsnit 4 introducerede sandsynlighedsmodeller formuleret
Læs mereStatistik og Sandsynlighedsregning 2
Statistik og Sandsynlighedsregning 2 Uafhængighed og reelle transformationer Helle Sørensen Uge 8, mandag SaSt2 (Uge 8, mandag) Uafh. og relle transf. 1 / 16 Program I dag: Uafhængighed af kontinuerte
Læs mereFortolkning. Foldning af sandsynlighedsmål. Foldning af tætheder. Foldning af Γ-fordelinger Eksempel: Hvis X og Y er uafhængige og. Sætning (EH 20.
Foldning af sandsnlighedsmål Lad µ og ν være to sandsnlighedsmål på (R, B). Fortolkning Lad φ : R R være φ(, ) = + for (, ) R. Lad X og Y være to reelle stokastiske variable defineret på (Ω, F, P). Definition
Læs mereSandsynlighedsregning 3. forelæsning Bo Friis Nielsen
Sandsynlighedsregning 3. forelæsning Bo Friis Nielsen Anvendt Matematik og Computer Science Danmarks Tekniske Universitet 28 Kgs. Lyngby Danmark Email: bfni@dtu.dk Dagens emner Stokastiske variable: udfald
Læs mereBetingede fordelinger
Kapitel 21 Betingede fordelinger Hvis man i et eksperiment observerer to stokastiske variable, X og Y, er det ofte hensigtsmæssigt at skrue sin sandsynlighedsteoretiske model sammen på en sådan måde at
Læs mereProgram. Statistik og Sandsynlighedsregning. Eksempler. Sandsynlighedstæthed og sandsynlighedsmål
Program Statistik og Sandsynlighedsregning Sandsynlighedstætheder og kontinuerte fordelinger på R Varians og middelværdi Normalfordelingen Susanne Ditlevsen Uge 48, tirsdag Tætheder og fordelingsfunktioner
Læs mere3 Stokastiske variable 3.1 Diskrete variable
3 Stokastiske variable 3.1 Diskrete variable Punktsandsnligheden benævnes P(x) = P(X = x). {x, P(x)} er en sandsnlighedsfordeling for den stokastiske variabel, X, hvis 1) P(x) $ 0 for alle værdier af x.
Læs mereSandsynlighedsregning 3. forelæsning Bo Friis Nielsen
Sandsynlighedsregning 3. forelæsning Bo Friis Nielsen Anvendt Matematik og Computer Science Danmarks Tekniske Universitet 2800 Kgs. Lyngby Danmark Email: bfni@dtu.dk Dagens emner Stokastiske variable:
Læs mereFlerdimensionale transformationer
Kapitel 18 Flerdimensionale transformationer Når man i praksis skal opstille en sandsynlighedsmodel for et eksperiment, vil man altid tage udgangspunkt i uafhængighed. Ofte kan man tænke på det udførte
Læs mereKvantitative Metoder 1 - Efterår Dagens program
Dagens program Afsnit 6.1. Ligefordelinger, fra sidst Den standardiserede normalfordeling Normalfordelingen Beskrivelse af normalfordelinger: - Tæthed og fordelingsfunktion - Middelværdi, varians og fraktiler
Læs mereBetingede sandsynligheder Aase D. Madsen
1 Uge 12 Teoretisk Statistik 15. marts 2004 1. Betingede sandsynligheder Definition Loven om den totale sandsynlighed Bayes formel 2. Betinget middelværdi og varians 3. Kovarians og korrelationskoefficient
Læs mereLineære normale modeller (1) udkast. 1 Flerdimensionale stokastiske variable
E6 efterår 999 Notat 8 Jørgen Larsen 22. november 999 Lineære normale modeller ) udkast Ved hjælp af lineær algebra kan man formulere og analysere de såkaldte lineære normale modeller meget overskueligt
Læs mere4.1 Middelværdi, varians og kovarians
Kapitel 4 Asymptotisk teori 4. Middelværdi, varians og kovarians Vi har indført begrebet middelværdi for visse reelle stokastiske variable. Hvis X har en diskret fordeling, f.eks. med værdier iz, så er
Læs mereBetingning med en uafhængig variabel
Betingning med en uafhængig variabel Sætning Hvis X er en reel stokastisk variabel med første moment og Y er en stokastisk variabel uafhængig af X, så er E(X Y ) = EX. Bevis: Observer at D σ(y ) har formen
Læs mereSandsynlighedsregning Oversigt over begreber og fordelinger
Tue Tjur Marts 2007 Sandsynlighedsregning Oversigt over begreber og fordelinger Stat. MØK 2. år Kapitel : Sandsynlighedsfordelinger og stokastiske variable En sandsynlighedsfunktion på en mængde E (udfaldsrummet)
Læs mereEn martingalversion af CLT
Kapitel 11 En martingalversion af CLT Når man har vænnet sig til den centrale grænseværdisætning for uafhængige, identisk fordelte summander, plejer næste skridt at være at se på summer af stokastiske
Læs mereKvantitative Metoder 1 - Forår Dagens program
Dagens program Afsnit 6.1 Den standardiserede normalfordeling Normalfordelingen Beskrivelse af normalfordelinger: - Tæthed og fordelingsfunktion - Middelværdi, varians og fraktiler Lineære transformationer
Læs mereMLR antagelserne. Antagelse MLR.1:(Lineære parametre) Den statistiske model for populationen kan skrives som
MLR antagelserne Antagelse MLR.1:(Lineære parametre) Den statistiske model for populationen kan skrives som y = β 0 + β 1 x 1 + β 2 x 2 + + β k x k + u, hvor β 0, β 1, β 2,...,β k er ukendte parametere,
Læs mereInstitut for Matematiske Fag Aalborg Universitet Specielt: Var(aX) = a 2 VarX 1/40. Lad X α, X β og X γ være stokastiske variable (vinkelmålinger) med
Repetition: Varians af linear kombination Landmålingens fejlteori Lektion 5 Fejlforplantning - rw@math.aau.dk Antag X 1, X,..., X n er uafhængige stokastiske variable, og Y er en linearkombination af X
Læs mereEn martingalversion af CLT
Kapitel 9 En martingalversion af CLT Når man har vænnet sig til den centrale grænseværdisætning for uafhængige, identisk fordelte summander, plejer næste skridt at være at se på summer af stokastiske variable,
Læs mereDen todimensionale normalfordeling
Den todimensionale normalfordeling Definition En todimensional stokastisk variabel X Y siges at være todimensional normalfordelt med parametrene µ µ og når den simultane tæthedsfunktion for X Y kan skrives
Læs mereSandsynlighedsregning 11. forelæsning Bo Friis Nielsen
Sandsynlighedsregning 11. forelæsning Bo Friis Nielsen Matematik og Computer Science Danmarks Tekniske Universitet 28 Kgs. Lyngby Danmark Email: bfni@imm.dtu.dk Dagens nye emner afsnit 6.3 (og 6.4 Betingede
Læs mere5.3 Konvergens i sandsynlighed Konvergens i sandsynlighed 55. Hvis vi regner den karakteristiske funktion for X, v ud i argumentet 1, fås
5.3. Konvergens i sandsynlighed 55 BEVIS: Lad φ 1, φ 2,... og φ være de karakteristiske funktioner for X 1, X 2,... og X. Hvis vi regner den karakteristiske funktion for X, v ud i argumentet 1, fås φ X,v
Læs mereStatistik Lektion 3. Simultan fordelte stokastiske variable Kontinuerte stokastiske variable Normalfordelingen
Statistik Lektion 3 Simultan fordelte stokastiske variable Kontinuerte stokastiske variable Normalfordelingen Repetition En stokastisk variabel er en funktion defineret på S (udfaldsrummet, der antager
Læs mereRegneregler for middelværdier M(X+Y) = M X +M Y. Spredning varians og standardafvigelse. 1 n VAR(X) Y = a + bx VAR(Y) = VAR(a+bX) = b²var(x)
Formelsamlingen 1 Regneregler for middelværdier M(a + bx) a + bm X M(X+Y) M X +M Y Spredning varians og standardafvigelse VAR(X) 1 n n i1 ( X i - M x ) 2 Y a + bx VAR(Y) VAR(a+bX) b²var(x) 2 Kovariansen
Læs mereTænk på a og b som to n 1 matricer. a 1 a 2 a n. For hvert i = 1,..., n har vi y i = x i β + u i.
Repetition af vektor-regning Økonometri: Lektion 3 Matrix-formulering Fordelingsantagelse Hypotesetest Antag vi har to n-dimensionelle (søjle)vektorer a 1 b 1 a 2 a =. og b = b 2. a n b n Tænk på a og
Læs mereOpgaver i sandsynlighedsregning
Afdeling for Teoretisk Statistik STATISTIK Institut for Matematiske Fag Preben Blæsild Aarhus Universitet 9. januar 005 Opgaver i sandsynlighedsregning Opgave Lad A og B være hændelser således at P(A)
Læs mereEt eksperiment beskrives af et udfaldsrum udstyret med et. alle mulige resultater af eksperimentet
Sandsynlighedsteori Et eksperiment beskrives af et udfaldsrum udstyret med et sandsynlighedsmål, (X, E, ν). Udfaldsrummet X indeholder alle mulige resultater af eksperimentet men ofte også yderligere elementer
Læs mereDefinition: Normalfordelingen. siges at være normalfordelt med middelværdi µ og varians σ 2, hvor µ og σ er reelle tal og σ > 0.
Landmålingens fejlteori Lektion 2 Transformation af stokastiske variable - kkb@math.aau.dk http://people.math.aau.dk/ kkb/undervisning/lf12 Institut for Matematiske Fag Aalborg Universitet Repetition:
Læs mereNote om Monte Carlo metoden
Note om Monte Carlo metoden Kasper K. Berthelsen Version 1.2 25. marts 2014 1 Introduktion Betegnelsen Monte Carlo dækker over en lang række metoder. Fælles for disse metoder er, at de anvendes til at
Læs mereStatistiske modeller
Statistiske modeller Statistisk model Datamatrice Variabelmatrice Hændelse Sandsynligheder Data Statistiske modeller indeholder: Variable Hændelser defineret ved mulige variabel værdier Sandsynligheder
Læs mereSandsynlighedsteori. Sandsynlighedsteori. Sandsynlighedsteori Et eksperiment beskrives af et udfaldsrum udstyret med et. Et Bayesiansk argument
Sandsynlighedsteori Sandsynlighedsteori Et eksperiment beskrives af et udfaldsrum udstyret med et sandsynlighedsmål, (, E, ν). Et eksperiment beskrives af et udfaldsrum udstyret med et sandsynlighedsmål,
Læs mereStatDataN: Middelværdi og varians
StatDataN: Middelværdi og varians JLJ StatDataN: Middelværdi og varians p. 1/33 Repetition Stokastisk variabel: funktion fra udfaldsrum over i de hele tal eller over i de reelle tal Ex: Ω = alle egetræer,
Læs mereKvantitative Metoder 1 - Forår Dagens program
Dagens program Kontinuerte fordelinger Ventetider i en Poissonproces Beskrivelse af kontinuerte fordelinger: - Median og kvartiler - Middelværdi - Varians Simultane fordelinger 1 Ventetider i en Poissonproces
Læs mereFejlforplantning. Landmålingens fejlteori - Lektion 5 - Fejlforplantning. Repetition: Varians af linear kombination. Eksempel: Vinkelberegning
Fejlforplantning Landmålingens fejlteori Lektion 5 Fejlforplantning - kkb@math.aau.dk http://people.math.aau.dk/ kkb/undervisning/lf13 Landmåling involverer ofte bestemmelse af størrelser som ikke kan
Læs mereLandmålingens fejlteori - Lektion 2 - Transformation af stokastiske variable
Landmålingens fejlteori Lektion 2 Transformation af stokastiske variable - kkb@math.aau.dk http://people.math.aau.dk/ kkb/undervisning/lf12 Institut for Matematiske Fag Aalborg Universitet 1/31 Repetition:
Læs mere1/41. 2/41 Landmålingens fejlteori - Lektion 1 - Kontinuerte stokastiske variable
Landmålingens fejlteori - lidt om kurset Landmålingens fejlteori Lektion 1 Det matematiske fundament Kontinuerte stokastiske variable - rw@math.aau.dk Institut for Matematiske Fag Aalborg Universitet Kursusholder
Læs mereIntegration m.h.t. mål med tæthed
Integration m.h.t. mål med tæthed Sætning (EH 11.7) Lad ν = f µ på (X, E). For alle g M + (X, E) gælder at gdν = g f dµ. Bevis: Standardbeviset: 1) indikatorfunktioner 2) simple funktioner 3) M + -funktioner.
Læs mereLandmålingens fejlteori - Repetition - Kontinuerte stokastiske variable - Lektion 3
Landmålingens fejlteori Repetition - Kontinuerte stokastiske variable Lektion 4 - kkb@math.aau.dk http://people.math.aau.dk/ kkb/undervisning/lf10 Institut for Matematiske Fag Aalborg Universitet 29. april
Læs mereLandmålingens fejlteori Lektion 1 Det matematiske fundament Kontinuerte stokastiske variable
Landmålingens fejlteori Lektion 1 Det matematiske fundament Kontinuerte stokastiske variable - rw@math.aau.dk Institut for Matematiske Fag Aalborg Universitet 1/41 Landmålingens fejlteori - lidt om kurset
Læs mereFor nemheds skyld: m = 2, dvs. interesseret i fordeling af X 1 og X 2. Nemt at generalisere til vilkårligt m.
1 Uge 11 Teoretisk Statistik 8. marts 2004 Kapitel 3: Fordeling af en stokastisk variabel, X Kapitel 4: Fordeling af flere stokastiske variable, X 1,,X m (på en gang). NB: X 1,,X m kan være gentagne observationer
Læs mereMotivation. Konfidensintervaller og vurdering af usikkerhed på estimerede størrelser
Motivation Konfidensintervaller og vurdering af usikkerhed på estimerede størrelser Rasmus Waagepetersen October 26, 2018 Eksempel: En landmåler får til opgave at måle længden λ fra A til B. Entreprenøren
Læs mereKlassisk Taylors formel
p. 1/17 Klassisk Taylors formel Sætning Lad f : (a, b) R være n gange differentiabel. For x 0, x (a, b) findes et ξ mellem x 0 og x der opfylder at f(x) = f(x 0 )+ f (x 0 ) 1! (x x 0 )+...+ f(n 1) (x 0
Læs mereLandmålingens fejlteori - Lektion 5 - Fejlforplantning
Landmålingens fejlteori Lektion 5 Fejlforplantning - kkb@math.aau.dk Institut for Matematiske Fag Aalborg Universitet 1/30 Fejlforplantning Landmåling involverer ofte bestemmelse af størrelser som ikke
Læs mereLidt om fordelinger, afledt af normalfordelingen
IMM, 2002-10-10 Poul Thyregod Lidt om fordelinger, afledt af normalfordelingen 1 Introduktion I forbindelse med inferens i normalfordelinger optræder forskellige fordelinger, der er afledt af normalfordelingen,
Læs mereSandsynlighed og Statistik
36 Sandsynlighed og Statistik 6.1 Indledning Denne note beskriver de statistiske begreber og formler som man med rimelig sandsynlighed kan komme ud for i eksperimentelle øvelser. Alt er yderst korfattet,
Læs mereTeoretisk Statistik, 9 marts nb. Det forventes ikke, at alt materialet dækkes d. 9. marts.
Teoretisk Statistik, 9 marts 2005 Empiriske analoger (Kap. 3.7) Normalfordelingen (Kap. 3.12) Opsamling på Kap. 3 nb. Det forventes ikke, at alt materialet dækkes d. 9. marts. 1 Empiriske analoger Betragt
Læs mereOm hypoteseprøvning (1)
E6 efterår 1999 Notat 16 Jørgen Larsen 11. november 1999 Om hypoteseprøvning 1) Det grundlæggende problem kan generelt formuleres sådan: Man har en statistisk model parametriseret med en parameter θ Ω;
Læs mereTeoretisk Statistik, 16. februar Generel teori,repetition
1 Uge 8 Teoretisk Statistik, 16. februar 2004 1. Generel teori, repetition 2. Diskret udfaldsrum punktssh. 3. Fordelingsfunktionen 4. Tæthed 5. Transformationer 6. Diskrete vs. Kontinuerte stokastiske
Læs mereSandsynlighedsregning 10. forelæsning Bo Friis Nielsen
Sandsynlighedsregning 10. forelæsning Bo Friis Nielsen Matematik og Computer Science Danmarks Tekniske Universitet 2800 Kgs. Lyngby Danmark Email: bfni@dtu.dk Dagens emner afsnit 6.1 og 6.2 Betingede diskrete
Læs mereSandsynlighedsregning 10. forelæsning Bo Friis Nielsen
Sandsynlighedsregning 10. forelæsning Bo Friis Nielsen Matematik og Computer Science Danmarks Tekniske Universitet 2800 Kgs. Lyngby Danmark Email: bfni@dtu.dk Dagens emner afsnit 6.1 og 6.2 Betingede diskrete
Læs mereSandsynlighedsregning 10. forelæsning Bo Friis Nielsen
Sandsynlighedsregning 0. forelæsning Bo Friis Nielsen Matematik og Computer Science Danmarks Tekniske Universitet 800 Kgs. Lyngby Danmark Email: bfni@dtu.dk Dagens emner afsnit 6. og 6. Betingede diskrete
Læs mereStatistik og Sandsynlighedsregning 2
Statistik og Sandsynlighedsregning 2 Normalfordelingen og transformation af kontinuerte fordelinger Helle Sørensen Uge 7, mandag SaSt2 (Uge 7, mandag) Normalford. og transformation 1 / 16 Program Paretofordelingen,
Læs mereModule 1: Lineære modeller og lineær algebra
Module : Lineære modeller og lineær algebra. Lineære normale modeller og lineær algebra......2 Lineær algebra...................... 6.2. Vektorer i R n................... 6.2.2 Regneregler for vektorrum...........
Læs mereKvantitative Metoder 1 - Forår 2007
Dagens program Afsnit 3.3-3.5 Varians Eksempel: Forventet nytte Kovarians og korrelation Middelværdi og varians af summer af stokastiske variabler Eksempel: Porteføljevalg 1 Beskrivelse af fordelinger
Læs mereaf om en given kombination af binomialkoefficienter svarer til en stor eller en lille sandsynlighed.
Kapitel 22 Svag konvergens I første halvdel af 1700-tallet var stort set al sandsynlighedsregning af kombinatorisk natur. Hovedværker fra perioden er Abraham de Moivres The octrine of Chances; or, a Method
Læs mereDefinition. Definitioner
Definition Landmålingens fejlteori Lektion Diskrete stokastiske variable En reel funktion defineret på et udfaldsrum (med sandsynlighedsfordeling) kaldes en stokastisk variabel. - kkb@math.aau.dk http://people.math.aau.dk/
Læs mereNATURVIDENSKABELIG KANDIDATEKSAMEN VED KØBENHAVNS UNIVERSITET. MI 2007 Obligatorisk opgave 4
NATURVIDENSKABELIG KANDIDATEKSAMEN VED KØBENHAVNS UNIVERSITET. MI 2007 Obligatorisk opgave 4 Sættet består af 3 opgaver med ialt 15 delopgaver. Besvarelsen vil blive forkastet, medmindre der er gjort et
Læs mereI dag. Statistisk analyse af en enkelt stikprøve med kendt varians Sandsynlighedsregning og Statistik (SaSt) Eksempel: kobbertråd
I dag Statistisk analyse af en enkelt stikprøve med kendt varians Sandsynlighedsregning og Statistik SaSt) Helle Sørensen Først lidt om de sidste uger af SaSt. Derefter statistisk analyse af en enkelt
Læs mereRepetition Stokastisk variabel
Repetition Stokastisk variabel Diskret stokastisk variabel Udfaldsrum endelige eller tællelige mange antal elementer Sandsynlighedsfunktion f(x) er ofte tabellagt Udregning af sandsynligheder P( a < X
Læs mereTransformation: tætheder pår k
Kapitel 19 Transformation: tætheder pår k I dette kapitel vil vi angribe følgende version af transformationsproblemet: Lad X 1,, X k være reelle stokastiske variable, defineret på (Ω,F, P), sådan at den
Læs mereLøsning til eksamen 16/
1 IMM - DTU 245 Probability 24-5-11 BFN/bfn Løsning til eksamen 16/12 23 Spørgsmål 1) 2 44% Man benytter formlen for skalering og positionsskift i forbindelse med varians og standardafvigelse, samt formlen
Læs mereLandmålingens fejlteori - Lektion 2. Sandsynlighedsintervaller Estimation af µ Konfidensinterval for µ. Definition: Normalfordelingen
Landmålingens fejlteori Lektion Sandsynlighedsintervaller Estimation af µ Konfidensinterval for µ - rw@math.aau.dk Institut for Matematiske Fag Aalborg Universitet En stokastisk variabel er en variabel,
Læs mereLøsning til prøveeksamen 1
IMM - DTU 020 Probability 2006-2-8 BFN/bfn Løsning til prøveeksamen Spørgsmål ) For en indikatorvariabel I A for hændelsen A gælder E(I A ) = P(A) (se for eksemepl side 68). Således er E(X) = P(N ) = =
Læs mere4 Oversigt over kapitel 4
IMM, 2002-09-14 Poul Thyregod 4 Oversigt over kapitel 4 Introduktion Hidtil har vi beskæftiget os med data. Når data repræsenterer gentagne observationer (i bred forstand) af et fænomen, kan det være bekvemt
Læs mereStatDataN: Plot af data
StatDataN: Plot af data JLJ StatDataN: Plot af data p. 1/39 Repetition binomial(n,p): P(X = k) = ( n) k p k (1 p) n k n uafhængige kast med en mønt, X= antal krone X binomial(n, p), Y binomial(m, p), uafhængige
Læs mereKarakteristiske funktioner og Den Centrale Grænseværdisætning
E6 efterår 1999 Notat 10 Jørgen Larsen 20. oktober 1999 Karakteristiske funktioner og Den Centrale Grænseværdisætning Karakteristiske funktioner som er nære slægtninge til Fourier-transformationen) er
Læs mere02402 Vejledende løsninger til hjemmeopgaver og øvelser, Uge 4
02402 Vejledende løsninger til hjemmeopgaver og øvelser, Uge 4 Vejledende løsning 5.46 P (0.010 < error < 0.015) = (0.015 0.010)/0.050 = 0.1 > punif(0.015,-0.025,0.025)-punif(0.01,-0.025,0.025) [1] 0.1
Læs mereØkonometri Lektion 1 Simpel Lineær Regression 1/31
Økonometri Lektion 1 Simpel Lineær Regression 1/31 Simpel Lineær Regression Mål: Forklare variablen y vha. variablen x. Fx forklare Salg (y) vha. Reklamebudget (x). Statistisk model: Vi antager at sammenhængen
Læs mereKvantitative Metoder 1 - Forår 2007
Dagens program Kapitel 8.7, 8.8 og 8.10 Momenter af gennemsnit og andele kap. 8.7 Eksempel med simulationer Den centrale grænseværdisætning (Central Limit Theorem) kap. 8.8 Simulationer Normalfordelte
Læs mereForelæsning 5: Kapitel 7: Inferens for gennemsnit (One-sample setup)
Kursus 02402 Introduktion til Statistik Forelæsning 5: Kapitel 7: Inferens for gennemsnit (One-sample setup) Per Bruun Brockhoff DTU Compute, Statistik og Dataanalyse Bygning 324, Rum 220 Danmarks Tekniske
Læs mere13 Markovprocesser med transitionssemigruppe
13 Markovprocesser med transitionssemigruppe I nærværende kapitel vil vi antage at tilstandsrummet er polsk, hvilket sikrer, at der findes regulære betingede fordelinger. Vi skal se på eksistensen af Markovprocesser.
Læs mereKursusindhold: X i : tilfældig værdi af ite eksperiment. Antag X i kun antager værdierne 1, 2,..., M.
Kursusindhold: Produkt og marked - matematiske og statistiske metoder Rasmus Waagepetersen Institut for Matematiske Fag Aalborg Universitet March 1, 2013 Sandsynlighedsregning og lagerstyring Normalfordelingen
Læs merePolynomier. Indhold. Georg Mohr-Konkurrencen. 1 Polynomier 2. 2 Polynomiumsdivision 4. 3 Algebraens fundamentalsætning og rødder 6
Indhold 1 Polynomier 2 Polynomier 2 Polynomiumsdivision 4 3 Algebraens fundamentalsætning og rødder 6 4 Koefficienter 8 5 Polynomier med heltallige koefficienter 9 6 Mere om polynomier med heltallige koefficienter
Læs mereAlgebra - Teori og problemløsning
Algebra - Teori og problemløsning, januar 05, Kirsten Rosenkilde. Algebra - Teori og problemløsning Kapitel -3 giver en grundlæggende introduktion til at omskrive udtryk, faktorisere og løse ligningssystemer.
Læs mereWigner s semi-cirkel lov
Wigner s semi-cirkel lov 12. december 2009 Eulers Venner Steen Thorbjørnsen Institut for Matematiske Fag Århus Universitet Diagonalisering af selvadjungeret matrix Lad H være en n n matrix med komplekse
Læs mereKursusgang 3 Matrixalgebra Repetition
Kursusgang 3 Repetition - froberg@mathaaudk http://peoplemathaaudk/ froberg/oecon3 Institut for Matematiske Fag Aalborg Universitet 12 september 2008 1/12 Lineære ligningssystemer Et lineært ligningssystem
Læs mereMatematisk modellering og numeriske metoder. Lektion 5
Matematisk modellering og numeriske metoder Lektion 5 Morten Grud Rasmussen 19. september, 2013 1 Euler-Cauchy-ligninger [Bogens afsnit 2.5, side 71] 1.1 De tre typer af Euler-Cauchy-ligninger Efter at
Læs mereTema. Dagens tema: Indfør centrale statistiske begreber.
Tema Dagens tema: Indfør centrale statistiske begreber. Model og modelkontrol Estimation af parametre. Fordeling. Hypotese og test. Teststørrelse. konfidensintervaller Vi tager udgangspunkt i Ex. 3.1 i
Læs mereKvantitative Metoder 1 - Forår 2007
Dagens program Kapitel 4: Diskrete fordelinger Afsnit 4.1-4.2, 4.7: Bernoulli fordeling Binomial fordeling Store Tals Lov (Laws of Averages, Laws of Large Numbers) 1 Bernoulli fordeling Kvantitative Metoder
Læs mereBilledbehandling og mønstergenkendelse: Lidt elementær statistik (version 1)
; C ED 6 > Billedbehandling og mønstergenkendelse Lidt elementær statistik (version 1) Klaus Hansen 24 september 2003 1 Elementære empiriske mål Hvis vi har observationer kan vi udregne gennemsnit og varians
Læs mereStatistik og Sandsynlighedsregning 2
Statistik og Sandsynlighedsregning 2 Normalfordelingens venner og bekendte Helle Sørensen Uge 9, onsdag SaSt2 (Uge 9, onsdag) Normalfordelingens venner 1 / 20 Program Resultaterne fra denne uge skal bruges
Læs mere